Economia Regional e Urbana - ANPEC · vantagens naturais podem explicar cerca de 20% das...
Transcript of Economia Regional e Urbana - ANPEC · vantagens naturais podem explicar cerca de 20% das...
Por que as Indústrias se Coaglomeram? Evidências para o Brasil
Economia Regional e Urbana
Jullio Victor Pedrosa de Almeida
Mestrando em Economia pela Universidade Federal de Pernambuco (UFPE) – Campus
Agreste. Rodovia BR-104, Km 59, s/n - Nova Caruaru – 55002-970 - Caruaru – Pernambuco -
Brasil. Email: [email protected].
Roberta de Moraes Rocha
Doutora em Economia pelo Pimes/UFPE. Professora Associada do
PPGECON/UFPE/Campus Agreste. Rodovia BR-104, Km 59, s/n - Nova Caruaru – 55002-
970 - Caruaru – Pernambuco - Brasil. Email: [email protected]
Wellington Ribeiro Justo
Doutor em Economia pelo Pimes/UFPE. Professor associado da Universidade Regional do
Cariri (URCA) e Professor do PPGECON/UFPE/Campus Agreste. Rua Nelson Alencar, 490,
Centro – 63100-110 – Crato – Ceará – Brasil. Email: [email protected]
Por que as Indústrias se Coaglomeram? Evidências para o Brasil
Economia Regional e Urbana
Resumo
O artigo buscou investigar os padrões de coaglomeração das indústrias brasileiras do setor de
transformação e seus possíveis fatores de aglomeração a nível estadual, microrregional e
municipal para setores divisão CNAE a 2 dígitos. Para tanto, utilizou-se do índice de
aglomeração explorado por Ellison e Glaeser (1997) e refinado para pares de setores por
Ellison, Glaeser e Kerr (2010). Através dos cálculos dos índices, testou-se inicialmente as
hipóteses (1) de que há no Brasil coaglomeração de pares de setores e (2) que esse padrão de
coaglomeração é regido pelas forças de aglomeração marshallianas. Os resultados apontam que
diversos setores apresentam padrão de coaglomeração, e que as forças marshallianas tem papel
fundamental nesse padrão. Os resultados das regressões múltiplas utilizando dados em painel
mostram que as variáveis labor pooling e input linkage têm papel de destaque como fatores de
aglomeração.
Palavras chave: Coaglomeração Industrial; Indústria da Transformação; Economias de
Aglomeração; Forças Marshallianas; Índice de coaglomeração EG.
Abstract
The article sought to investigate the coagglomeration patterns of the Brazilian industries in the
transformation sector and their available agglomeration data at the state, microregional and
municipal level for the 2 digit CNAE division sectors. Thus, the agglomeration index explored
by Ellison and Glaeser (1997) and refined for sectors pairs by Ellison, Glaeser and Kerr (2010)
was used. Through the calculations of the indices, was initially tested as hypotheses (1) that
Brazil co-agglomerates pairs of sectors and (2) that this coagglomeration patterns is governed
by marshall market forces. The results point that sets of sectors have a coagglomeration pattern,
and that Marshallian forces play a fundamental role in this pattern. The results of the multiple
regressions in cross-section data show that the variables labor pooling and input linkage play a
prominent role as the agglomeration factors.
Keywords: Industry Coagglomeration; Manufacturing Industry; Economies of Agglomeration;
Marshallian Forces; EG Coagglomeration Index.
Classificação JEL: R32, R23, L60.
Introdução.
Aglomerações industriais são estudadas a um longo tempo e há evidências que as firmas são
geograficamente concentradas.1 Através do aprimoramento de medidas de mensuração da
aglomeração do emprego, foi possível investigar e testar empiricamente quais as forças que
levam a ocorrência de clusters industriais. As principais ideias são apresentadas por Marshall
(1920) que em seu trabalho aponta a existência de três forças de aglomeração, chamadas
também de externalidades positivas ou spillovers, argumentando que as indústrias escolhem
sua localização conforme as vantagens em diminuir os custos de transportes – de insumo-
produto, trabalhadores e ideias. Marshall então sintetiza suas ideias acerca desses custos, como
forças centrípetas que incentivam a aglomeração de indústrias numa mesma região, sendo
conhecidas na literatura como input-output linkages, labor pooling e intellectual spillovers.
Para reforçar a importância das aglomerações na configuração econômica, diversos autores2
investigaram a relação entre aglomeração e produtividade. As evidências empíricas encontradas
mostram que setores mais concentrados tendem a ser mais produtivos e inovadores que os
demais. Steingraber e Gonçalves (2015) analisam esta relação para o Brasil, identificando que
as diferenças de produtividades são explicadas pela aglomeração e concentração de indústrias
juntamente com as competências internas das empresas. No mesmo trabalho os autores
evidenciam que alguns setores são mais sensíveis à aglomeração e a concentração setoriais
sobre a produtividade.
A ideia de que vantagens naturais desempenham um papel fundamental para a configuração
dos clusters industriais também é estudada. Setores que dependem largamente de recursos
naturais tendem a se localizar em regiões próximas as fontes de recursos, levando a
aglomeração. Esta aglomeração, porém, tende a ser mais forte na agricultura e indústria de
extrativismo, não sendo necessariamente, as vantagens naturais o maior fator determinante nas
indústrias manufatureiras. Ellison e Glaeser (1999) encontram evidências apontando que as
vantagens naturais podem explicar cerca de 20% das concentrações industriais no setor de
manufatura dos Estados Unidos da América (EUA).
Este artigo, porém, não investiga o papel das vantagens naturais nas aglomerações, dada a falta
de informações referentes as vantagens naturais no Brasil, diferentemente dos Estados Unidos,
onde Ellison e Glaeser (1999) construíram um índice elaborado baseado em diversas variáveis
e informações. Entretanto, esta exclusão não significa que a análise será afetada. Ellison,
Glaeser e Kerr (2010) mostram que a remoção da variável de vantagens naturais não afeta
significativamente o modelo, sendo possível a investigação apenas das forças marshallianas
como fatores determinantes a aglomeração. Logo, neste artigo o foco é a análise das forças de
aglomeração propostas por Marshall.
Para investigação destes fatores, este trabalho se baseia no artigo de Ellison, Glaeser e Kerr –
EGK (2010) onde a identificação destas vantagens foi melhor adequada utilizando-se a análise
de coaglomeração de pares de setores na indústria manufatureira dos EUA. EGK propuseram
um índice baseado no artigo de Ellison e Glaeser (1997) em que foi possível reduzir a análise
1 Ver Krugman (1991a); Ellison e Glaeser (1997, 1999); Duranton e Overman (2005, 2008); Maurel e Sédillot (2009) para referências internacionais, Resende e Wyllie (2005); e Lautert e Araújo (2007); Silva e Silveira Neto (2007); e Rocha et. Al. (2013) para o caso brasileiro. 2 Ver Henderson (2013); Rosenthal e Strange (2004); Barrios, Bertinelli e Strobl (2006); Andersson e Loof (2011); Puga et.al (2012);
das aglomerações para pares de setores diferentes, facilitando assim a identificação das
externalidades marshallianas e sua influência na aglomeração entre setores.
O estudo direcionado ao conjunto de aglomerações, também chamado de coaglomerações, se
intensificou principalmente nos anos recentes buscando entender por que diferentes setores
tendem a se aglomerar. Avançar na compreensão dessas coaglomerações na indústria de
transformação do Brasil é de relevante importância para a geografia econômica brasileira, pois
desta forma é possível identificar os fatores de aglomeração de maior influência, e também
quais setores tendem a se coaglomerar com maior intensidade. No Brasil esse tema tem sido
pouco estudado e ainda há uma grande lacuna na literatura. Resende (2012) faz uma pesquisa
exploratória para o caso do estado do Rio de Janeiro, obtendo resultados interessantes
apontando que o labor pooling é importante para a coaglomeração entre pares de setores. Este
trabalho visa contribuir para diminuir essa lacuna, investigando os padrões de coaglomeração
para todo Brasil através do cálculo dos índices de EGK para dois setores, seguindo a linha de
raciocínio de Ellison, Glaeser e Kerr (2010).
Deste modo, este trabalho procura usar o índice de EGK para testar duas hipóteses centrais. A
primeira hipótese assumida no trabalho, é que existe padrões de coaglomeração nas indústrias
de transformação no Brasil. A segunda hipótese, é que caso exista esses padrões, eles são
regidos por forças de aglomeração marshallianas. Desta maneira, espera-se que este trabalho
contribua de certa forma para atenuar a lacuna existente na literatura brasileira no que diz
respeito ao estudo das coaglomerações industriais e seus determinantes, proporcionando um
arcabouço empírico suficiente para gerar novas pesquisas futuras na área.
Tendo como objetivos principais o aprofundamento na análise dos padrões de coaglomerações
dos pares de setores no Brasil a nível Regional, Estadual e Municipal, e a investigação de quais
fatores de aglomeração estão presentes, assim o trabalho avança na literatura no sentido de
investigar preliminarmente se há aglomeração entre pares de setores industriais no Brasil, e
posteriormente, discutir quais as forças de mercado que atuam em maior presença nessas
aglomerações. Para tanto, o trabalho utiliza o índice de EG adaptado para pares de setores
utilizado no artigo de Ellison, Glaeser e Kerr (2010), fazendo uso de análise exploratória dos
dados, para o primeiro passo, e a estimação de um modelo de regressão múltipla com dados em
painel para o segundo passo.
Assim, divide-se este artigo em seis seções incluindo esta introdução. A próxima seção faz um
levantamento das evidências empíricas encontradas sobre o tema. A seção 3 apresenta a base
de dados adotada para investigação e decomposição dos fatores de aglomeração. A quarta e a
quinta seção testam as hipóteses apresentadas. Por fim, na seção 6 apresentam-se os resultados
e conclusões.
1. Evidências Empíricas
O grande passo dado para disseminação dos estudos empíricos ocorreu após os trabalhos de
Krugman (1991) e Ellison e Glaeser (1997). O primeiro formalizou matematicamente a teoria
das aglomerações urbanas, baseado na teoria internacional das vantagens comparativas. O
segundo trabalho apresentou para literatura um índice conciso com a teoria e formalização
matemática, sendo prático para mensurar as aglomerações e coaglomerações de emprego. O
índice de Ellison e Glaeser (1997), chamado de EG, trouxe avanços significativos e
impulsionou os estudos, sendo uma ferramenta poderosa, principalmente no que tange a
identificação dos fatores de aglomeração. Vale ressaltar os índices propostos por Overman e
Duranton (2005) e Maurel e Sédillot (2009), que contribuíram para novas perspectivas de
pesquisa.
Barrios, Bertinelli e Strobl (2002) utilizaram o índice de coaglomeração desenvolvido por
Ellison e Glaeser (1997) com o intuito de testar a hipótese da existência de possíveis vantagens
na proximidade da localização entre fábricas domésticas e multinacionais estrangeiras. A
segunda hipótese a ser testada diz respeito a um provável impacto da presença estrangeira no
crescimento regional, as duas hipóteses foram testadas para a Irlanda no período de 1983 a
1998. Por fim, chegaram à conclusão de que para um elevado número de setores, existe
persistência na coaglomeração entre plantas domésticas e estrangeiras. Além disso, confirma-
se a presença de spillovers locais das multinacionais impactando positivamente no crescimento
do emprego indígena, no entanto, estes spillovers somente acontecem em indústrias que
apresentaram uma coaglomeração expressiva de plantas domésticas e estrangeiras.
Dohse e Steude (2003) mediram a distribuição das atividades de Neur Markt3 – segmento da
bolsa alemã -, através do índice de coaglomeração de Ellison e Glaeser (1997), onde analisaram
a concentração espacial do emprego na “nova economia”4, a coaglomeração de firmas de sub-
setores variados de Neur Markt e os spillovers interregionais. Sendo assim, a Nova Economia
– em referência ao Neur Markt -, o emprego e a capitalização de mercado estão sobre-
representados no sul e no oeste da Alemanha, enquanto no leste está sub-representada. Nas
regiões ricas e com elevadas produtividades de trabalho e densidade de atividades econômicas,
tendem a se agrupar as empresas Neur Markt, bem como as regiões tecnologicamente fortes.
As indústrias de Mídia e Entretenimento, Software, Indústria e Serviços Industriais e
Biotecnologia apresentam um elevado grau de coaglomeração e são setores valiosos para o
desenvolvimento regional, uma vez que geram ou recebem spillovers interindustriais em grande
escala.
O índice de EG também foi empregado em Barrios, Bertinelli e Strobl (2006) aliado ao cálculo
das estimativas de produtividade totais de fatores de plantas usando o procedimento de
Levinsohn e Petrin (2003). Os resultados desse segundo trabalho corroboram os resultados do
trabalho de 2002, onde a coaglomeração entre plantas domésticas e estrangeiras são persistentes
na Irlanda e também a existência de spillovers locais das multinacionais aumentando a
produtividade e o emprego de indígenas. Além disso, foi calculado o aumento no desvio padrão
diante da presença externa, uma variação entre 3 e 6% na produtividade e 1,7 e 4,3% no
emprego, essa variação dependeu da inclusão de Dublin e da medida da presença estrangeira
escolhida. Esse resultado indica que uma parcela da coaglomeração entre plantas domésticas e
estrangeiras é associada com a presença de spillovers positivos.
Ellison, Glaeser e Kerr (2010) empregaram o índice de EG para quantificar a coaglomeração
de pares de indústrias para os Estados Unidos, além desse índice, para o mesmo fim, também
foi utilizado uma aproximação “luppy” ao índice contínuo criado por Duranton e Overman
(2005). Os autores utilizam o índice simplificado para analisar separadamente pares de setores,
e assim estudar as relações intersetoriais existentes, comparando as economias de aglomeração
e vantagens naturais existentes nesses padrões de aglomeração. Os resultados do artigo
apresentam um suporte às teorias marshallianas de aglomeração, uma vez que foram
encontradas evidências consistentes de que os fatores marshallianos apresentam efeitos mais
significativos nos padrões de coaglomeração, do que as vantagens naturais compartilhadas no
setor manufatureiro dos EUA.
3 É um segmento da bolsa alemã voltado para o setor de tecnologia futura criado em 1997. 4 É a mudança de visão da economia, deixando de ser economia voltada a indústria e passando a ser uma economia baseada nos serviços, principalmente tecnológicos.
Em Gabe e Abel (2013), os índices de coaglomeração de Ellison e Glaeser (1997) são utilizados
para as ocupações dos EUA em pares com o intuito de analisar os fatores que ajudam a
determinar a concentração geográfica dessas ocupações. Tal análise foi feita em dois níveis: na
área metropolitana e estadual. Em conjunto com o índice de EG as semelhanças de ocupações
foram utilizadas para a análise dos chamados padrões geográficos da localização dos empregos.
Descobriu-se que, mais nas áreas metropolitanas do que nos estados, o requisito de
conhecimento semelhante é determinante para a coaglomeração das ocupações. Se
aprofundando na área metropolitana, a coaglomeração sofre maior influência do conhecimento
compartilhado nas áreas de engenharia e tecnologia, artes e humanidades, fabricação e produto,
e matemática e ciência.
Mukim (2014) modificou os índices de EG e EGK para incluir uma medida de coaglomeração
informal e formal dentro de cada indústria da manufatura da Índia. Concluiu-se que, dentro da
mesma indústria, os vínculos comprador-vendedor entre as empresas formais e informais junto
com os spillovers tecnológicos explicam em boa parte a coaglomeração. No entanto, para a
agregação intra-industrial e a inter-industrial o efeito de coaglomeração não é muito grande.
Para o setor formal, a coaglomeração influencia o nascimento de pequenas e médias empresas
e as empresas formais tendem a se concentrarem em distritos com baixo nível de diversidade
industrial. Enquanto as empresas informais se fincam próximas de empresas em indústrias
similares e tendem a começar em distritos mais populosos.
Sem o uso dos índices de coaglomeração, Helsley e Strange (2010) encontraram resultados
divergentes da literatura. Os autores analisaram a coaglomeração com base em modelos que
incluem os casos intermediários, ou seja, cidades que possuem coaglomeração de algumas
indústrias, mas não de todas. O modelo leva em consideração algumas hipóteses, tais como o
fato de as firmas e as indústrias serem perfeitamente competitivas e a coaglomeração eficiente
de Pareto. Os resultados indicam que a coaglomeração é, provavelmente, ineficiente.
Acontecendo, em muitos casos, a coaglomeração excessiva, e em outros coaglomeração não
realizada.
Em Helsley e Strange (2012), é assumido que os trabalhadores são perfeitamente móveis e as
firmas são perfeitamente competitivas a fim de criar um modelo de formação de clusters de
negócios, em cidades com várias indústrias, a migração dependerá da complementariedade da
produção entre trabalhadores dessas diversas indústrias. As conclusões chegadas em Helsley e
Strange (2010) são confirmadas, ressaltando a possível ineficiência das coaglomerações e
atribuindo à fraqueza da migração como mecanismo de disciplina, apesar das forças de
aglomeração no trabalho, essa ineficiência.
No caso do índice de EG para pares de setores industriais há dois trabalhos feitos no Brasil.
Resende (2012) faz uma investigação dos determinantes de aglomeração para o estado do Rio
de Janeiro no período de 2010. Utilizando-se de dados da RAIS (MTE), o autor procura
relacionar o grau de coaglomeração entre dois setores e uma das forças de aglomeração teóricas
de Marshall, o labor pooling. Seguindo a linha do artigo de Ellison, Glaeser e Kerr (2010),
Resende obtém evidências interessantes para o caso, indicando que o papel do labor pooling é
mais forte do que as outras forças de aglomeração para as variáveis aproximando-o a
intensidade no uso de insumos.
2. Base de Dados
Os dados utilizados neste artigo são provenientes de duas fontes, sendo a principal delas a base
de dados da Relação Anual de Informações Sociais-RAIS (MTE), na qual fornece uma gama
de informações ricas e diversificadas a respeito da situação do emprego no Brasil por regiões e
setores de atividades a diferentes níveis de desagregação de classificação. A segunda base é
advinda do Núcleo de Economia Regional e Urbana da USP – NEREUS, de onde será retirada
informações referentes as matrizes de insumo-produto.
A RAIS é um relatório socioeconômico anual do ministério do trabalho e emprego, contendo
informações extraídas junto aos empregadores e pessoas jurídicas, com o objetivo de controle
das atividades trabalhistas e obtenção de dados para fins estatísticos. O relatório contém
informações a respeito do número de trabalhadores, seus perfis, admissões e demissões,
remunerações, etc. A RAIS pode ser disponibilizada em microdados ou dados agregados. Neste
trabalho foi utilizado o número de trabalhadores por localidade e setores, baseados na
Classificação Nacional de Atividade Econômicas – CNAE, para o cálculo do índice de
coaglomeração; e informações referentes ao perfil (ocupação e escolaridade) dos trabalhadores
para cálculo das proxies das variáveis labor pooling e intelectual spillovers usando dados
agregados para o período 2006 a 2015.
A Matriz Insumo Produto foi calculada por Guilhoto e Sesso Filho (2005, 2010) a partir de
dados das contas nacionais e disponibilizadas pelo NEREUS para o período 1995-2013. Neste
trabalho foram utilizados os dados de 2010 a 2013 por se tratar de uma série com maiores
detalhes dos dados desagregados. Essa base foi utilizada para o cálculo das proxies das variáveis
input e output linkages.
3. Metodologia e Modelo Empírico
Neste tópico será apresentado a metodologia utilizada, explorando as variáveis contidas no
modelo, como por exemplo, o índice de coaglomeração de EG. A fim de testar se a primeira
hipótese é válida, será feita uma análise exploratória e descritiva dos dados obtidos a partir dos
cálculos a nível estadual, microrregional e municipal para o período 2006 a 2015. Através dos
resultados encontrados constatando-se a presença de coaglomeração em diversos setores, é
possível dar um passo à frente e testar se o padrão de coaglomeração encontrado é regido pelas
forças de aglomeração propostas por marshall. Para isso, faz-se uso das variáveis descritas na
teoria marshalliana, inseridas numa regressão múltipla com dados em painel baseado no modelo
empírico que será detalhado à frente.
3.1. Modelo Empírico - Equação
O modelo é basicamente a equação geral para dados em painéis:
𝐶𝑜𝑎𝑔𝑔 = 𝛽𝑖,𝑡 + 𝛽1𝑖,𝑡𝐿𝑎𝑏𝑜𝑟1𝑖,𝑡 + 𝛽2𝑖,𝑡𝐼𝑛𝑝𝑢𝑡2𝑖,𝑡 + 𝛽3𝑖,𝑡𝑂𝑢𝑡𝑝𝑢𝑡3𝑖,𝑡 + 𝛽4𝑖,𝑡𝐼𝑛𝑡𝑒𝑙𝑙𝑒𝑐𝑡4𝑖,𝑡 + 𝑒𝑖,𝑡 , (1)
Onde o termo Coag representa o índice de coaglomeração; o termo α representa a constante; 𝛽1
é o coeficiente representando o fator labor pooling; 𝛽2 e 𝛽3 são os coeficientes que representam
o fator input e output linkages; 𝛽4 é o coeficiente que representa o fator intellectual Spillover;
onde o subscrito i denota os diferentes indivíduos e o subscrito t denota o período de tempo que
está sendo analisado; e o termo de erro está representado pela notação 𝑒𝑖,𝑡.
No modelo utilizado na literatura há o coeficiente de vantagens naturais, porém devido à falta
de uma mensuração adequada para uma proxy no Brasil, foi retirado do modelo. EGK estimam
regressões sem a variável de vantagens naturais e constata que, sem essa variável os fatores de
Marshall apresentam valores maiores quando comparada com a estimação com o coeficiente de
vantagens naturais presente. Porém, estes valores são considerados similares estatisticamente e
que as vantagens naturais e os fatores de Marshall provavelmente são ortogonais uns com os
outros. Deste modo, espera-se que a remoção da variável não afetará significativamente o
modelo. Para estimar o modelo utilizou-se o método de dados em painel, testando-se para
efeitos fixos e aleatórios.
As regressões serão estimadas em dois períodos distintos, visto que algumas variáveis
apresentam diferentes séries de tempo. Nas regressões univariadas, foi utilizado o período de
2006 a 2013 para estimações dos fatores Labor e Intellectual, enquanto que para as variáveis
Input e Output foi utilizado o período de 2010 a 2013. Nas regressões multivariadas o período
de 2010 a 2013 foi empregado, com um total de 1020 observações para 276 combinações de
pares de setores.
3.2. Índice de Coaglomeração
A investigação empírica de aglomerações industriais conta hoje com diversas medidas
refinadas, que partem de uma mesma base conceitual e utilizam-se de dados de emprego e
pessoal ocupado. Nesse trabalho, optou-se pelo uso do índice de Ellison e Glaeser – EG
adaptado para pares de setores dois a dois, demonstrado no artigo de Ellison, Glaeser e Kerr –
EGK (2010). O índice de coaglomeração de EGK é a principal variável deste artigo e através
do cálculo desta, é possível testar se a hipótese de que há pares de setores que tendem a se
aglomerar é válida, e também testar a segunda hipótese de que caso exista tendência a se
aglomerar, as forças de aglomeração de Marshall assumem papel relevante para explicar as
variações nos padrões de coaglomeração. Sendo assim, esta será a variável dependente do
modelo que se utilizará.
A variável será denotada como 𝐶𝑜𝑎𝑔𝑔𝑖,𝑗, sendo definida como a correlação da participação do
emprego entre pares de setores 𝑖 e 𝑗, em determinada área geográfica. O índice proposto é
definido entre dois setores 𝑖 e 𝑗 e é dado por:
𝐶𝑜𝑎𝑔𝑔𝑖,𝑗 = ∑ (𝑆𝑚𝑖 − 𝑋𝑚)(𝑆𝑚𝑗 − 𝑋𝑚)𝑀
𝑚=1
1 − ∑ 𝑋𝑚2𝑀
𝑚=1
, (2)
Onde 𝑚 indexa as localidades, 𝑆𝑚𝑖 e 𝑆𝑚𝑗 denotam a participação do emprego da indústria 𝑖 e
𝑗, respectivamente, na localidade 𝑚, e 𝑋𝑚 representa o tamanho agregado das localidades 𝑚
mensurados em termo da participação média do emprego da região entre o total das indústrias.
O indicador proposto pelos autores tem como base teórica a “abordagem de jogo de dardos”,
que mostra o fato de que as empresas tomam suas decisões de localização baseadas num jogo
de dardos, se o valor de γ for zero. Isto é, as empresas tenderiam a se localizar aleatoriamente,
como num jogo de dardos.
A base de dados utilizada para o cálculo do índice é advinda da RAIS, onde se utilizam os
setores da indústria da transformação classificados a dois dígitos (CNAE2), compatibilizando
um total de 24 setores, gerando 276 combinações dois a dois, para os anos de 2006 até 2015. A
desagregação a dois dígitos foi escolhida para se ajustar às variáveis explicativas que, por
limitações de informações, estão classificadas a dois dígitos em sua maioria. O período foi
escolhido dado a disponibilidade dos dados encontrados, visto que antes de 2006 não havia
dados detalhados para fazer esta análise. Serão calculados os índices a nível estadual,
microrregional e municipal.
3.3. Derivação do Índice de Coaglomeração
A grande maioria dos índices partem de duas medidas básicas, propostas na década de 1940, e
que são usadas até hoje: o índice Herfindahl-Hirshman (HH) e o indicador g - que são a base
dos refinamentos metodológicos trazidos por Ellison e Glaeser (1997) e Dumais, Ellison e
Glaeser (2002). O índice de Herfindahl-Hirshman é um indicador de competitividade do setor
e de competição do mercado, tendo como objetivo a análise da participação da planta no setor
produtivo. Trata-se de uma medida do tamanho das plantas de dada região em relação ao setor.
O índice HH é definido como:
𝐻𝐻𝑖,𝑡 = ∑ 𝑍²𝑖,𝑘,𝑡
(𝑛)
(𝑘=1)
, (3)
Onde 𝑍𝑖,𝑘,𝑡 é a parcela de mercado da k-ésima planta do setor i, que é composto por n plantas
no período t. Será medida a participação de mercado da planta pela proporção do emprego
formal desta planta no total do setor em dada região de análise. A medida situa-se entre 1/n e
1, sendo que 1 refere-se a um caso no qual apenas uma planta abastece o mercado todo, e quando
está próximo de zero refere-se a um mercado muito competitivo.
Costa e Biderman (2014) definem o índice g como uma medida de dispersão dada pela variância
da participação de cada região nos diversos setores de atividade em relação ao valor esperado
caso não houvesse sobre ou subconcentração. O índice 𝑔𝑖,𝑡pode ser escrito como:
𝑔𝑖,𝑡 = ∑ (𝑆𝑚,𝑖,𝑡 − 𝑋𝑚,𝑡)²
𝑀
𝑚=1
, (4)
Onde, 𝑋𝑚,𝑡 é a participação da microrregião 𝑚 no emprego industrial nacional, obtido pelo
quociente entre o total do emprego industrial da microrregião e o total do emprego industrial
nacional no momento t; e 𝑆𝑚,𝑖,𝑡 é a participação do emprego da indústria i na microrregião 𝑚
no total do emprego desta indústria no país, calculada por meio do quociente entre o total do
emprego indústria i da microrregião 𝑚 e o total do emprego desta indústria em nível nacional.
Segundo Costa e Biderman (2014), o indicador informa o quanto a participação da região 𝑚 no
emprego do setor i está próxima da participação desta região no emprego industrial como um
todo, ou seja, ele avalia se a participação da região na composição de um determinado setor
segue o padrão de participação geral da região na composição dos empregos industriais. Ou
seja, se todas as regiões tiverem exatamente a mesma composição que o país, o índice será zero.
Quanto mais alto o valor de 𝐺𝑖,𝑡, maior é o grau de concentração geográfica das atividades do
setor i. Ellison e Glaeser (1997) propõem uma normalização para 𝑔𝑖,𝑡 que equivale a:
𝐺𝑖,𝑡 = ∑(𝑆𝑚,𝑖,𝑡 − 𝑋𝑚,𝑡)²
1 − ∑ 𝑋²𝑚,𝑡
, (5)
O índice 𝐺𝑖,𝑡 então assume a forma geral do setor i, no momento t. Porém, para evitar problemas
de mensuração em relação ao tamanho das firmas, Ellison e Glaeser propuseram a normalização
do índice g pelo índice de HH, para que o caso de poucas plantas industriais não influencie na
mensuração na concentração, como por exemplo, o caso dos monopólios naturais. Dado que o
índice G não incorpora o índice de HH, sendo comumente chamado de indicador de
concentração bruta, Ellison e Glaeser propuseram a partir do índice G e do HH um novo índice:
𝛾𝑖,𝑡 =(𝐺𝑖,𝑡 − 𝐻𝐻𝑖,𝑡)
(1 − 𝐻𝐻𝑖,𝑡), (6)
Substituindo (5) em (6), tem-se:
𝛾𝑖,𝑡 =𝑔𝑖,𝑡/(1 − ∑ 𝑥²𝑚)𝑚 − 𝐻𝐻𝑖,𝑡
(1 − 𝐻𝐻𝑖,𝑡), (7)
Assim, simplificando o índice de EG encontrado anteriormente para dois pares de setores,
quando 𝑖 = 2, pode-se encontrar 𝑔𝑖,𝑡 = ∑ (𝑆𝑚1 − 𝑋𝑚)(𝑆𝑚2 − 𝑋𝑚)𝑀𝑚=1 , e assim com a remoção
do índice de HH, simplifica-se a fórmula:
𝛾𝑐 = ∑ (𝑆𝑚1 − 𝑋𝑚)(𝑆𝑚2 − 𝑋𝑚)𝑀
𝑚=1
1 − ∑ 𝑋𝑚2𝑀
𝑚=1
, (8)
A fórmula deixa claro que o índice de coaglomeração de EG é estreitamente relacionado com
a covariância do emprego industrial nas duas indústrias, enquanto que o índice de aglomeração
é uma medida de variância. O denominador reflete a simples covariância para eliminar o caráter
sensível da desagregação geográfica. Desse modo, o índice de HH não entra na fórmula de
coaglomeração, pois a irregularidade nas plantas afeta apenas a variância da participação do
emprego que poderia ser confundida com aglomeração dentro da indústria, mas não conduz,
por si só, a um aumento espúrio na covariância inter-indústria.
3.4. Labor Pooling
A movimentação de trabalhadores é um dos fatores de aglomeração abordados por Marshall
(1920), que enfatiza a importância das economias de escala referentes ao mercado de trabalho.
Diversas teorias e modelos foram propostas para sintetizar os benefícios do labor pooling.
Diamond e Simon (1990) e Krugman (1991a) argumentam que ao decorrer do tempo, as
empresas passam a ser mais ou menos produtivas e a mobilidade dos trabalhadores entre os
empregos proporcionam ganhos de produtividade e diminuição do diferencial salarial. Helsley
e Strange (1990) propõe que as aglomerações facilitam o match entre emprego e trabalhador e
suas aptidões. Duranton e Combes (2006) e Dahl e Klepper (2007) sugerem que aglomerações
com maior facilidade de mobilidade de trabalhadores incentiva a localização de novos
empreendedores decorrente da força de trabalho adequada levando ao aumento da concetração
do emprego.
Todas essas teorias partem do pressuposto que as aglomerações ocorrem por que os
trabalhadores são capazes de mover-se entre as firmas e indústrias. Porém, isso pode acontecer
apenas, quando os trabalhadores apresentarem o mesmo perfil necessário para essas indústrias.
Desta forma, este trabalho baseia-se o labor pooling como a correlação dos perfis semelhantes
de trabalhadores entre as atividades dos pares de setores.
Para esta variável, foi escolhida uma proxy baseada na literatura existente, que fosse capaz de
captar os efeitos na variação dos índices de coaglomeração. Dentre as opções disponíveis na
literatura, optou-se por utilizar a mesma ideia dos artigos de Ellison, Glaeser e Kerr (2010) e
Resende (2012), onde se calcula a correlação entre as atividades de ocupações entre cada par
de setores, da mesma forma feita para o cálculo do índice de coaglomeração, sendo possível
captar quais pares de setores apresenta maior similaridade no uso de trabalhadores com perfis
semelhantes.
A variável será denotada como 𝐿𝑎𝑏𝑜𝑟 e é definida como: a fração do emprego do setor 𝑖 na
ocupação 𝑜. Mensura-se a similaridade dos trabalhadores nos setores 𝑖 e 𝑗 através da correlação
entre 𝐿𝑎𝑏𝑜𝑟𝑖𝑜 e 𝐿𝑎𝑏𝑜𝑟𝑗𝑜 dentre as ocupações de maneira análoga ao índice de coaglomeração.
Os dados utilizados neste cálculo são provenientes da RAIS segmentados por ocupações
obtidos da Classificação Brasileira de Ocupações – CBO ao nível dos principais subgrupos,
contabilizando 48 ocupações. O período observado compreende os anos de 2006 a 2013, tendo
a mesma quantidade de observações que o índice de coaglomeração.
3.5. Input-Output Linkages
A proximidade entre fornecedores e clientes favorece a redução de custos de transportes,
levando a verticalização entre os setores e incentivando a aglomeração. Marshall (1920)
argumenta que as firmas decidem aonde se localizar baseado nos custos de transporte entre
insumos e produtos. Desta forma, a teoria aponta para uma aproximação entre as indústrias que
tem forte relação insumo-produto. Fujita, Krugman e Venables (1999) apontam a redução dos
custos de transportes dos bens (insumo ou produto) como o principal motivo a aglomerar.
Para melhor identificação a variável foi dividida em duas composições: forward linkage e
backward linkage. Deste modo, é possível captar os fatores input e output de maneira
individuais, analisando se o fator de interrelação entre os pares de setores depende mais de um
que do outro. Utilizou-se como base a Matriz de Insumo Produto - MIP calculada pelo Núcleo
de Economia Regional e Urbana da USP para os anos de 2006 até 2013, haja vista a
disponibilidade dos dados.
Define-se 𝐼𝑛𝑝𝑢𝑡𝑗→𝑖 como a participação dos insumos do setor 𝑖 advindos do setor 𝑗. E também
se define 𝑂𝑢𝑡𝑝𝑢𝑡𝑖→𝑗 como a participação dos produtos do setor 𝑖 que são vendidos para o setor
j. Essas participações são calculadas entre todos os setores, podendo não ser indústrias de
transformação, desse modo o valor do índice será entre 0 e 1. Dado que há relações de ambas
as direções, define-se as variáveis como a média das participações dos pares de setores 𝑖 → 𝑗 e
𝑗 → 𝑖.
A matriz está composta em sua maioria pela classificação a dois dígitos. Porém, no período
2006-2009 a agregação é maior que o período 2010-2013. Assim, se faz necessária a
manipulação dos dados para agregar todos os setores a dois dígitos, mantendo a padronização
necessária. Um problema foi encontrado, visto que dois setores estão agregados a um dígito,
isto é, o nível de agregação é maior que o utilizado, sendo extremamente complicado de
desagregar, diferentemente da agregação feita. Dessa forma, na estimação do modelo estes dois
setores foram excluídos da análise, para evitar problemas de mensuração.
3.6. Intellectual Spillovers
A última razão que leva as firmas a se aglomerarem diz respeito a flutuação de conhecimento
entre as firmas. Marshall (1920) enfatiza que trabalhadores podem aprender novas técnicas uns
com os outros em clusters industriais, levando ao aumento da produtividade. Trabalhos
empíricos reforçam essa ideia mostrando que setores tecnológicos e com alto grau de capital
humano influenciam na aglomeração. [Ver Saxeniam (1996); Glaeser e Kahn (2001) ].
Infelizmente, esta variável detém um grau de dificuldade de mensuração extremo,
principalmente para países subdesenvolvidos como é o caso do Brasil, visto que não há
informações consistentes o suficiente para se ter uma boa proxy, como há nos países
desenvolvidos onde existe dados de matrizes de flutuações de conhecimento, como a matriz de
M. Scherer’s (1984) utilizada no artigo de ELLISON, GLAESER e KERR (2010). Uma
primeira alternativa seria o uso de patentes por indústrias para se utilizar como uma proxy,
porém, não há dados disponíveis para todos os setores e o período analisado.
A alternativa escolhida foi basear-se na literatura teórica de Marshall (1920) onde o
conhecimento tende a flutuar entre os setores com alto grau tecnológico, que, por conseguinte
detém maior proporção de trabalhadores com alto grau de estudo. Desta forma utilizou-se como
proxy a proporção de trabalhadores com grau de estudo igual ou maior ao Ensino Superior.
Define-se a variável como a correlação entre as proporções de trabalhadores com escolaridade
acima ou igual ao Ensino Superior nos pares de setores. Tendo 𝐼𝑛𝑡𝑒𝑙𝑙𝑒𝑐𝑡𝑖,𝑗 sido calculado como
a média da proporção ao longo dos pares de setores 𝑖 𝑒 𝑗.
4. Análise do Índice de Coaglomeração
Para análise exploratória dos índices de coaglomeração de pares de setores industriais,
analisaram-se 24 setores correspondentes à divisão da CNAE 2.0 – conhecido na literatura
como nível de dois dígitos – no qual resultou em 276 combinações dois a dois para o período
de 2006 até 2015. A análise foi construída a nível estadual, contemplando os 26 estados mais o
distrito federal; a nível microrregional, no qual em 2006 o número era de 556 microrregiões e
passando a ser em 2015 o número de 558, assim agruparam-se as duas novas microrregiões e
analisou-se todo o período pelas 556 microrregiões iniciais; para a análise geográfica
considerando os municípios, deparou-se com um problema, pois em 2006 havia no Brasil 4496
municípios e em 2015 este número saltou para 4911 municípios. Assim, foi necessário testar se
os valores para dados agrupados e não agrupados para o ano de 2015 apresentariam diferenças,
no qual os cálculos mostraram que não há diferenças significantes nos valores dos índices,
portanto calcularam-se os índices a nível municipal com os dados não agrupados para cada
período.
Tabela 1 – Indíce Médio dos Pares de Coaglomeração por Ano e Área
Ano/Nível Estadual Microrregional Municipal
2006 -0.000840 -0.000231 -0.000001
2007 -0.000918 -0.000311 -0.000002
2008 -0.001071 -0.000306 -0.000005
2009 -0.001091 -0.000263 -0.000006
2010 -0.001076 -0.000060 -0.000007
2011 -0.001175 -0.000255 -0.000009
2012 -0.001252 -0.000286 -0.0000010
2013 -0.001349 -0.000356 -0.0000012
2014 -0.001229 -0.000317 -0.0000015
2015 -0.000995 -0.000270 -0.0000016 Fonte: Elaboração própria com base nos cálculos do índice de EGK.
Através dos resultados observados na tabela 1 pode-se inferir e colaborar para um tema que
vem sendo discutido nas últimas décadas – a desconcentração industrial. Analisando a
coaglomeração média ao longo dos anos de todos os pares de setores obtidos do índice
especificado na equação (1), encontram-se valores negativos e próximos de zero em todos os
níveis, e crescentes negativamente a nível estadual e municipal. Ainda na mesma tabela, fica
mais fácil identificar e compreender a evolução dos índices médios ao longo do tempo.
Analisando a tabela 2, a primeira inferência mostra que na média os pares de setores tendem a
ser aglomerados aleatoriamente nos três níveis geográficos considerados, isto é, os pares de
setores na média não apresentam padrões de aglomeração. Este resultado já era esperado e é
compatível com os resultados obtidos por Ellison et al. (2010) e Resende (2012), visto que na
média os valores tendem a ser próximo de zero pelo efeito compensatório, porém há de se
observar que o valor do efeito médio é negativo dado pela maior força a não aglomeração.
Tabela 2 – Estatísticas Descritivas dos Índices de Coaglomeração
Estatísticas Descritivas Observações Média Desvio
Padrão
Mínimo Máximo
Índices de EG
Nível Estadual 276 -0.00110 0.02248 -0.07207 0.13704
Nível Microrregional 276 -0.00027 0.00577 -0.01869 0.03242
Nível Municipal 276 -0.00001 0.00007 -0.00036 0.00037
Fonte: Elaboração própria, baseado nas regressões.
A segunda inferência é mais interessante, pois se encontra uma tendência ao longo dos anos a
não aglomeração dos pares de setores, isto é, os valores médios negativos estão ficando maiores
ao longo do período de 2006 a 2015. Este resultado corrobora com a desconcentração industrial
que se identificou nas últimas décadas, visto que os fatores exógenos, como exemplo, políticas
fiscais, podem superar as forças de aglomeração, levando assim a não aglomeração dos pares
de setores e consequentemente a desconcentração.
Investigando mais a fundo5, encontra-se que 46,9% dos valores encontrados para os índices a
todos os níveis são positivos, indicando assim que pouco menos da metade dos pares de setores
são aglomerados por algum fator, o que ajuda a explicar por que os valores médios são
negativos. Quando se olham os valores que são relevantes – EGK consideram valores acima de
0,01 para análise de três dígitos – 11% dos pares de setores são coaglomerados de forma mais
relevante, sendo o nível estadual responsável pela presença de 92,37% dos valores acima de
0,01. Vale ressaltar que ao nível de dois dígitos esperam-se valores não muito altos, e a título
de comparação o valor máximo para o nível estadual a três dígitos no trabalho para os EUA foi
no valor de 0,207, enquanto neste presente trabalho o valor máximo obtido foi de 0,137.
Analisando individualmente cada nível6, observa-se que a nível estadual os valores apresentam
valores esperados em comparação aos outros trabalhos da área, apresentando 87 pares de setores
com índices superiores a 0,01. A nível microrregional é possível perceber a inconstância ao
longo dos anos, apresentando uma significante variação no índice médio ao longo do tempo. A
nível municipal esperava-se valores maiores quando comparado às evidências encontradas para
os EUA, visto que os índices máximos e mínimos foram muito próximos a zero, indicando
assim uma aleatoriedade na decisão de coaglomerar. Esse fato talvez possa ser explicado pela
quantidade alta de municípios existentes no Brasil somado a desconcentração dos últimos anos,
onde a literatura aponta a desconcentração das atividades econômicas.
Quando se observam as tabelas 3 e 4, interessantes resultados aparecem numa análise preliminar
dos dados. Pode-se perceber que os fatores de aglomeração tratados neste trabalho,
aparentemente, têm forte importância na coaglomeração dos 10 pares de setores com maior
índice de coaglomeração. A repetição da aparição dos setores Fabricação de Produtos do Fumo
e Fabricação de Produtos Químicos colabora para reforçar o aspecto de forte evidência para
presença das forças de aglomeração de Marshall.
Analisando atentamente é possível inferir sobre alguns pares específicos que demonstram
fortemente os fatores de aglomeração presentes. A fabricação de Produtos do Fumo (12) parece
5 Por falta de espaço, serão omitidas as tabelas, podendo ser solicitadas posteriormente. 6 Por falta de espaço, serão omitidas as tabelas, podendo ser solicitadas posteriormente.
estar relacionada a setores intensivos em trabalho, principalmente de baixo nível de
qualificação, como por exemplo, aos setores Fabricação de Móveis e a Preparação de Couros e
Fabricação de Artefatos de Couro, Artigos para Viagem e Calçados (15), indicando assim que
o fator labor pooling pode estar presente nesses setores. O labor pooling aparenta estar presente
também nos setores relacionados à Fabricação de Produtos Químicos (20), visto que estes
setores demandam mão de obra qualificada e especializada.
Tabela 3 – Maiores Valores dos Índices Médios de Coaglomeração dos Pares de Setores
ao Longo dos Anos a Nível Estadual – Setores a 2 dígitos
Setor 1 (CNAE Divisão) Setor 2 (CNAE Divisão) Índice Médio de
Coaglomeração
1 Fabricação de Produtos do Fumo
(12)
Preparação de Couros e Fabricação de Artefatos de Couro, Artigos
para Viagem e Calçados (15)
0.137045
2 Fabricação de Produtos Químicos (20)
Fabricação de Veículos Automotores, Reboques e Carrocerias (29) 0.053908
3 Fabricação de Produtos
Químicos (20)
Fabricação de Produtos Farmoquímicos e Farmacêuticos (21) 0.045921
4 Fabricação de Produtos do Fumo
(12)
Fabricação de Móveis (31) 0.043799
5 Fabricação de Máquinas e
Equipamentos (28)
Fabricação de Veículos Automotores, Reboques e Carrocerias (29) 0.043012
6 Fabricação de Equipamentos de
Informática, Produtos
Eletrônicos e Ópticos (26)
Fabricação de Outros Equipamentos de Transporte, Exceto
Veículos Automotores (30)
0.041058
7 Fabricação de Produtos do Fumo
(12)
Fabricação de Produtos de Madeira (16) 0.040086
8 Fabricação de Produtos de
Madeira (16)
Fabricação de Móveis (31) 0.038702
9 Fabricação de Produtos
Químicos (20)
Fabricação de Veículos Automotores, Reboques e Carrocerias (29) 0.038611
10 Fabricação de Produtos Farmoquímicos e Farmacêuticos
(21)
Fabricação de Produtos Diversos (32) 0.037570
Fonte: Elaboração própria a partir dos cálculos com dados da RAIS baseado na CNAE.
Em relação ao fator de aglomeração input-output linkages é fácil ver que muito provavelmente
está presente na aglomeração entre Fabricação de Produtos de Madeira (16) e Fabricação de
Móveis (31), assim como Fabricação de Produtos Químicos (20) e Fabricação de Produtos
Farmoquímicos e Farmacêuticos (21). Nesta análise preliminar há algumas evidências
intuitivas, porém não se deve restringir a apenas a um fator, pois é muito provável que todas as
forças de Marshall estejam presentes nas coaglomerações identificadas nas tabelas 3 e 4.
Apenas através da análise econométrica, na qual será feita na próxima seção, é possível
identificar se esses fatores realmente estão influenciando na coaglomeração desses setores
investigados.
Tabela 4 – Maiores Valores dos Índices Médios de Coaglomeração dos Pares de Setores
ao Longo dos Anos a Nível Microrregional – Setores a 2 dígitos
Setor 1 (CNAE Divisão) Setor 2 (CNAE Divisão) Índice Médio de
Coaglomeração
1 Fabricação de Equipamentos de
Informática, Produtos Eletrônicos e
Ópticos (26)
Fabricação de Outros Equipamentos de Transporte, Exceto
Veículos Automotores (30)
0.032416
2 Impressão e Reprodução de
Gravações (18)
Fabricação de Produtos Farmoquímicos e Farmacêuticos (21) 0.018211
3 Fabricação de Produtos Químicos
(20)
Fabricação de Produtos Farmoquímicos e Farmacêuticos (21) 0.016029
4 Fabricação de Produtos
Farmoquímicos e Farmacêuticos
(21)
Fabricação de Veículos Automotores, Reboques e Carrocerias (29) 0.015989
5 Fabricação de Produtos
Farmoquímicos e Farmacêuticos
(21)
Fabricação de Produtos de Borracha e de Material Plástico (22) 0.011340
6 Fabricação de Produtos
Farmoquímicos e Farmacêuticos
(21)
Fabricação de Produtos Diversos (32) 0.011245
7 Impressão e Reprodução de
Gravações (18)
Fabricação de Produtos Químicos (20) 0.010085
Fonte: Elaboração própria a partir dos cálculos com dados da RAIS baseado na CNAE.
Fazendo uma comparação entre os níveis estadual e municipal, percebe-se que os índices
microrregionais maiores que 0,01, dos quais são apenas 7 contra 85 do estadual, tem a mesma
intuição em respeito as forças de aglomeração. A repetição dos setores de Fabricação de
Produtos Químicos (20) e Fabricação de Produtos Farmoquímicos e Farmacêuticos (21)
evidencia a ideia apresentada anteriormente. Outro aspecto interessante a notar é a presença de
3 pares de setores nos maiores índices em ambos os níveis, o que pode representar que esses
pares têm forte tendência a se aglomerar. Uma ressalva importante é que essa repetição também
pode ser advinda das vantagens naturais, na qual não irá se abordar neste trabalho, porém deve
ser objeto de estudo futuramente em trabalhos posteriores.
5. Fatores associados a Coaglomeração
Tabela 5 – Estatísticas Descritivas das Variáveis Utilizadas nas Regressões
Variável Observações Média Desvio Padrão Mínimo Máximo
Coagg 2208 -0.00111 0.021995 -0.08014 0.14296
Labor 2208 -0.08174 0.055839 -0.19004 0.26892
Intellect 2208 0.010929 0.011405 0.000309 0.09253
Input 1020 0.011198 0.021906 0.000011 0.22440
Output 1020 0.012983 0.026106 0.000020 0.23945 Fonte: Elaboração própria baseada nos resultados da regressão.
Numa primeira análise, as tabelas 5 e 6 apresentam estatísticas referentes as variáveis utilizadas
no modelo. Através das informações, é possível perceber que a relação das variáveis
explicativas entre pares de setores acompanha o esperado pela literatura, apresentando índices
médios próximos de zero. Por outro lado, identifica-se valores máximos interessantes que,
comprovam a importância das relações intersetoriais, através dos fatores marshallianos.
Percebe-se também, uma correlação moderada entre o fator explicativo Labor e as demais
variáveis explicativas, e uma forte correlação entre as variáveis Input e Output, que
intuitivamente era esperado pela relação das variáveis abordada ao longo do trabalho.
Tabela 6 – Correlações dos Fatores Explicativos e Coaglomeração
Coagg Labor Intellect Input Output
Coagg 1.0000
Labor 0.0774 1.0000
Intellect 0.1109 0.1768 1.0000
Input 0.0793 0.3832 -0.0993 1.0000
Output 0.0647 0.3646 -0.0566 0.8537 1.0000 Fonte: Elaboração própria baseada nos resultados da regressão.
A tabela 7 traz os resultados das estimações da equação (6), regredidas primeiramente de forma
univariada, e posteriormente multivariada comparando três diferentes regressões. Foi colocado
a regressão OLS apenas para título de comparação. Analisando primeiramente as regressões
univariadas, percebe-se rapidamente a relação inversa ao esperado na literatura para o sinal dos
coeficientes das variáveis Intellect e Output. No artigo de Resende (2012), encontra-se o mesmo
padrão negativo para a variável Output, porém, neste presente trabalho a variável não é
estatisticamente significante. De todo modo, esta evidência reforça um possível efeito contrário
do fator de produção entre os setores industriais no incentivo a aglomerar. Uma possível
explicação para esse fato é que, dado que o setor de infraestrutura brasileiro não é
completamente adequado, as indústrias não levam em consideração a diminuição dos custos de
transporte nos transportes dos bens finais.
Em relação a variável Intellect, duas explicações surgem como prováveis para o sinal negativo.
A primeira é que a proxy não esteja adequada para captar os efeitos da variável, visto que esta
já é conhecida na literatura como de difícil mensuração. A segunda explicação pode ser
analisada pela regressão multivariada, visto que na regressão OLS a variável assume coeficiente
positivo, e após descontar o efeito fixo ao longo do tempo o coeficiente torna-se negativo. É
possível que o fato do nível de escolaridade ter crescido bastante – principalmente médio e
superior – no período estudado em todas as regiões do Brasil, possa ter incentivado as empresas
a não decidir se aglomerar baseado nos spillovers tecnológicos, imaginando-se que todas as
regiões detêm mão de obra qualificada.
Entretanto, as regressões univariadas confirmam a importância dos fatores Labor e Input, no
padrão de configuração das coaglomerações, seguindo a linha dos resultados encontrados em
Ellison, Glaeser e Kerr (2010). Sendo o fator Labor mais destacado, dado que apresentou maior
coeficiente a um nível de significância maior em comparação aos demais fatores. Além de ter
apresentado maior poder explicativo dentre todas as outras variáveis explicativas, com o R²
apontando que cerca de 4,7% das variações no índice de coaglomeração são explicadas pela
força de aglomeração labor pooling.
Observando as regressões multivariadas, pode-se inferir primeiramente que a regressão em
OLS não captura os efeitos corretamente, sendo apenas para análise da variável Intellect.
Comparando-se com as regressões anteriores é fácil ver que todos os coeficientes das variáveis
são significantes na regressão anterior permaneceram significativas ao modelo, porém com
variações nos valores dos coeficientes e respectivos erros padrões. O poder explicativo do
modelo também aumentou, sendo agora 7%. Ainda comparando com as regressões univariadas,
percebe-se que os fatores Labor e Input apresentam coeficientes mais próximos e maiores que
os demais, ressaltando novamente os resultados encontrados em Ellison, Glaeser e Kerr e
Resende (2012).
Tabela 7 – Comparativo das Regressões dos Determinantes da Coaglomeração nas
Indústrias de Transformação
Regressões Univariadas em Painel para Efeitos Fixos (E. F)
Labor Intellect Input Output
Coeficiente 0.21525*** -0.09471*** 0.11299** -0.00850
(Desvio Padrão) (0.022) (0.026) (0.048) (0. 1095)
R² 0.0472 0.0066 0.0061 0.0013
Observações 2208 2208 1020 1020
Regressões Multivariadas
Estimação Base
OLS
Estimação Base
Painel E. F.
Estimação Painel sem a
variável Intellect E. F
Labor 0.0108
(0.012)
0.1574***
(0.026)
0.1611***
(0.027)
Intellect 0.2213**
(0.100)
-0.1144***
(0.030)
Input 0.1036*
(0.061)
0.1750**
(0.071)
0.1768**
(0.072)
Output -0.0226
(0.042)
-0.0074
(0.011)
-0.0093
(0.011)
R² 0.0213 0.0709 0.0704
Observações 1020 1020 1020 Fonte: Elaboração própria baseada nos resultados da regressão. *** a 1%, ** a 5%, * a 10%.
6. Conclusões
O trabalho testa os objetivos propostos inicialmente, e conclui que há coaglomeração entre
pares de setores e que parte dessa coaglomeração é explicada pelas forças de mercado
apresentadas por Marshall. Os fatores labor pooling e input linkage se mostraram mais
relevantes dentre os estudados, sendo condizente com a literatura, onde encontra-se resultados
similares. Os resultados da regressão múltipla em dados de painel suportam alguns resultados
encontrados em Resende (2012) e evidencia a importância desses dois fatores na economia
brasileira.
É possível perceber que a recente desconcentração industrial brasileira na última década pode
ter influenciado o grau de coaglomeração entre os setores, sendo este um futuro estudo
interessante para se aprofundar, relacionando este estudo com as políticas de incentivos fiscais
desse período. É possível com os resultados deste trabalho auxiliar na tomada de decisão
quando houver incentivos a determinados setores a desconcentrar, visto que alguns setores
apresentaram recorrente alta relação com outros setores.
Um resultado já esperado, mas pouco evidente no Brasil, que foi obtido com os resultados, é
que com o nível de desagregação geográfica os índices sofreram modificações, o que é uma
crítica recorrente ao índice criado por Ellison e Glaeser. Para isto seria interessante ter uma
segunda medida para testar como contraponto, como exemplo, o índice de Overman e Duranton,
porém infelizmente para o Brasil até então, não há dados necessários para este índice.
Por fim, o trabalho contribui empiricamente na literatura nacional, analisando os padrões de
coaglomeração existentes no Brasil a nível estadual, microrregional e municipal, e apresenta
fortes evidências para as forças marshallianas presentes nas coaglomerações industriais. Para
trabalhos futuros, é interessante a ampliação da análise a 3 dígitos em todas as variáveis e
também testar um possível problema de causalidade reversa. Além de uma análise da possível
força das vantagens naturais na coaglomeração dos setores.
Referências
Andersson M.; e Loof H. (2011). Agglomeration and productivity: evidence from firm-level data,
Regional Science and Urban Economics.
Alecke, B.; Asleben, C.; Scharr, F.; Untiedt, G. (2006). Are there really high-tech clusters?
The geographic concentration of German manufacturing industries and its determinants, Annals
of Regional Science, 40, 19-42.
Alecke, B.; Asleben, C.; Scharr, F.; Untiedt, G. (2008). Geographic concentration of sectors
on the German Economy: some umpleasent macroeconomic evidence for regional cluster
policy. In: U. Blien; Mauer, U. (eds.), The Economics of Regional Clusters. Networks,
Technology and Policy, Cheltenham: Edward Elgar.
Alonso-Villar, O.; Chamorro-Rivas, J. M.; González-Cerdeira, X. (2004). Agglomeration
economies in manufacturing industries: the case of Spain, Applied Economics, 36, 2103–2116.
Audretsch, D. B. (1998). Agglomeration and the location of innovative activity. Oxford Review
of Economic Policy, 14, 1998.
Barrios, S.; Bertinelli, L.; Strobl, E. (2006). Coagglomeration and spillovers, Regional
Science and Urban Economics, 36, 467-481.
Combes, Pierre-Philippe, and Gilles Duranton. (2006). “Labour Pooling, Labour Poaching,
and Spatial Clustering. ” Regional Science and Urban Economics, 36(1): 1–28.
Combes, P.; Gobillon, L.; Puga, D.; Roux, S.; and Gilles Duranton. 2012. THE
PRODUCTIVITY ADVANTAGES OF LARGE CITIES: DISTINGUISHING
AGGLOMERATION FROM FIRM SELECTION. Econometrica, Vol. 80, No. 6, 2543–2594.
Dohse, D.; Steude, S. (2003). CONCENTRATION, COAGGLOMERATION AND
SPILLOVERS: THE GEOGRAPHY OF NEW MARKET FIRMS IN GERMANY. 43rd
European Congress of the Regional Science Association
Duranton, Gilles, and Henry G. Overman. 2005. “Testing for Localization Using Micro-
Geographic Data”. Review of Economic Studies, 72(4): 1077–106.
Duranton, Gilles, and Henry G. Overman. 2008. “Exploring the Detailed Location Patterns
of U.K. Manufacturing Industries Using Microgeographic Data.” Journal of Regional Science,
48(1): 213–43.
Ellison, G.; Glaeser, G. (1997). Geographic concentration in U.S. manufacturing industries: a
dartboard approach, Journal of Political Economy, 105, 889-927.
Ellison, G.; Glaeser, G. (1999). The Geographic concentration of industry: does natural
advantage explain agglomeration?, American Economic Review Papers and Proceedings 89,
311-316.
Ellison, G.; Glaeser, G.; Kerr, W. (2010). What causes industry agglomeration? Evidence
from coagglomeration patterns, American Economic Review, 100, 1195- 1213.
Fujita, Masahisa, Paul Krugman, and Anthony J. Venables. 1999. The Spatial Economy:
Cities, Regions, and International Trade. Cambridge, MA: MIT Press.
Gabe, T.;Abel, J. (2013). SHARED KNOWLEDGE AND THE COAGGLOMERATION F
OCCUPATIONS. Federal Reserve Bank of New York Staff Reports, no. 612
Helsley, Robert W., and William C. Strange. 1990. “Matching and Agglomeration
Economies in a System of Cities”. Regional Science and Urban Economics, 20(2): 189–212.
Helsley, Robert W., and William C. Strange. (2010).
Helsley, Robert W., and William C. Strange. (2012). Coagglomeration and the Scale and
Composition of Clusters.
Henderson, J. Vernon. 2003. “Marshall’s Scale Economies”. Journal of Urban Economics,
53(1): 1–28.
Krugman, P. (1991). Geography and Trade, Cambridge-MA: MIT Press, 1991.
Lautert, V.; Araújo, N.C.M. (2007). Concentração industrial no Brasil no período 1996-2001:
uma análise por meio do índice de Ellison e Glaeser (1994), Economia Aplicada, 11, 347-368.
Levinsohn, James and Amil Petrin. (2003). "Estimating Production Functions Using Inputs
To Control For Unobservables," Review of Economic Studies, 2003, v70(2, Apr), 317-341.
Marshall, A. (1920). Principles of Economics, London: MacMillan.
Maurel, F.; Sédillot, B. (1999). A measure of the geographic concentration in French
manufacturing industries, Regional Science and Urban Economics, 29, 575-604.
Mega Mukhim. (2014) Coagglomeration of formal and informal industry: evidence from India
Journal of Economic Geography (2014) pp. 1–23.
Puga, D. (2010). The magnitude and causes of agglomeration economies, Journal of Regional
Science, 50, 203-219.
Resende, M.; Boff, H. (2002). Concentração industrial. In: D. Kupfer & L. Hasenclever (eds,),
Economia Industrial: Teorias e Prática no Brasil, Editora Campus: Rio de Janeiro, 73-90.
Resende, M.; Wyllie, R. (2005). Aglomeração industrial no Brasil, Estudos Econômicos, 35,
433-460.
RESENDE, Marcelo. (2012) Co-aglomeração industrial no estado do Rio de Janeiro: um
estudo empírico. Nova econ. [online]. 2015, vol.25, n.1, pp.181-194
ROCHA, Roberta; BEZERRA, Fernanda Mendes; DE MESQUITA, Cristiane Soares.
Uma Análise dos Fatores de Aglomeração da Indústria de Transformação Brasileira. Revista
EconomiA, 2013
Rosenthal, S. S.; Strange, W. C. (2001). The determinants of agglomeration, Journal of Urban
Economics, 50, 191-229.
Rosenthal, S. S.; Strange, W.C. (2004). Evidence on the nature and sources of agglomeration
economies. In: J.V. Henderson & J. F. Thisse (eds.), Handbook of Urban and Regional
Economics, Vol. 4, Amsterdam: North-Holland.
Silva, M. V. B.; SILVEIRA NETO, R. M. (2007) Crescimento do emprego industrial no
Brasil e geografia econômica: evidências para o período pós-real. Economia: Revista da Anpec,
Brasília (DF), v. 8, n. 2, p. 269-288.
Steingraber, R.; Gonçalves, F. O. (2015). A influência da aglomeração e da concentração da
indústria sobre a produtividade total dos fatores das empresas industriais brasileiras. Nova
econ. vol.25 no.2.